DS-разработчик в Будущее технологий Минск

Вы будете участвовать в интеграции и развитии решений на базе больших языковых моделей (LLM) и методов обработки естественного языка (NLP) под руководством старших коллег.

• Интегрировать готовые LLM‑решения в продукты и сервисы компании (через API, в бэкенд‑часть, в пайплайны обработки данных).
• Оценивать качество ответов моделей с использованием автоматических метрик (BLEU, ROUGE, MMLU) и участвовать в организации human eval.
• Участвовать в обеспечении безопасности и фильтрации генерируемого контента (настройка базовых guardrails).
• Работать с RAG‑системами:

- помогать в индексации данных;

- выполнять запросы к векторным базам данных;

- участвовать в оптимизации поиска и генерации под руководством старших специалистов.

• Взаимодействовать с продуктовой и ML‑командами, обсуждать технические решения.
• Оптимизировать производительность инференса на базовом уровне (настройка batching, кэширование простых результатов).
• При необходимости работать с готовыми мультимодальными решениями (текст, изображения, документы).
• Выполнять дообучение (fine‑tuning) готовых LLM по готовым пайплайнам и методикам.

• Высшее образование (IT, техническое, математическое).
• Уверенное владение Python и SQL.
• Хорошие знания в области:

- теории вероятностей и математической статистики;

- базовых алгоритмов машинного обучения (ML);

- NLP‑алгоритмов (классификация текста, токенизация, векторные представления).

• Понимание принципов работы LLM, базовых сценариев их использования и дообучения.
• Опыт деплоя ML‑решений (Docker, базовые сценарии в Kubernetes или облачных платформах).
• Опыт работы с:

- векторными базами данных (выполнение запросов, понимание структуры индексов);

- фреймворками LangChain или LlamaIndex (базовое использование);

- методами оценки LLM (понимание BLEU, ROUGE и их ограничений).

Будет плюсом:

• Опыт участия в pet‑проектах или open‑source, связанных с LLM.
• Участие в хакатонах или олимпиадах по ML/NLP.
• Понимание бизнес‑метрик и продуктового мышления.
• Базовые знания об оптимизации инференса (квантизация, batching).